本文介绍了递归特征金字塔（RFP）和可切换空洞卷积（SAC）如何提升目标检测性能。RFP通过在特征金字塔网络上添加反馈连接，而SAC则利用不同空洞率的卷积，两者结合提高了SOTA检测器HTC的性能。在COCO数据集上，DetectoRS（RFP与SAC的结合）显著提升了边框AP和mask AP。
欢迎关注“
计算机视觉研究院
”
计算机视觉研究院专栏
作者：Edison_G
许多现代的目标检测器通过两次look和think的机制表现出优异的性能。 今天分享的是在目标检测的主干设计中探讨了这种机制。 在宏观层面上，提出了递归特征金字塔（Recursive Feature Pyramid），它将来自特征金字塔网络的额外反馈连接集成到自下而上的主干层中；在微观层面上，提出了可切换的空洞卷积（Switchable Atrous Convolution），它以不同的空洞率对特征进行卷积，并利用
订阅专栏 解锁全文
扫一扫
评论 6
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
